人工智能未来简史

在《

一个数据科学家的自我修养

》一文中,我提到了以下观点:

虽然今天利用数据(经验和观察)驱动的技术成为了人工智能技术的主流,但是推理和逻辑的方法并不一定无效了,也许两者结合才能更接近所需的答案。

做数据分析的同行们都知道一句话“Garbage In, Garbage Out”,意思就是如果拿到的数据是垃圾,那么分析结果肯定也是垃圾。比如以下关于房租的报道,三份同一天的报纸结论相差甚大,然而其基于的数据都有据可查,并非凭空捏造。

借用《数据忽悠无处不在,你肯定中招过!》一文的观点,正所谓“数据是客观的,数据背后的人是主观的”。文中提到的原因有如下几点。

不同的数据源不同的结论

同一组数据不同的指标

同一组数据不同的指标定义

同一组数据不同的权重值

同一组数据不同的业务背景

既然不能完全依赖数据,加入逻辑推理就显得必不可少。传统意义的逻辑推理方法由来已久,最初起源于1984年NASA的专家系统项目CLIPS。曾经一度是人工智能技术的主流。它模仿人类的推理方式,使用试探性的方法进行推理,并使用人类能理解的术语解释和证明它的推理结论。

和人类的思维相似,专家系统中也存在两种推理方式:正向推理和反向推理。正向推理也叫演绎法,由事实驱动,从一个初始的事实出发,不断地应用规则得出结论。反向推理也叫归纳法,由目标驱动,首先提出某个假设,然后寻找支持该假设的证据。若所需的证据都能找到,说明原假设是正确的;若找不到所需要的证据,则说明原假设不成立,此时需要另做新的假设。

然而专家系统也有其缺点,最终让位于目前居于主流的以数据统计为基础的人工智能技术。首先是规则之间的关系不透明。尽管单条规则都比较简单,也是自释性的,大量规则间的逻辑关系却可能不透明。其次是其低效的搜索策略。当规则很多时,系统速度会很慢。最严重的问题是没有学习能力。专家系统并不能自动修改知识库,这意味着大量的人工投入。

因此,这里想提倡的是在符合客观事物运行规律的前提下,能够通过观察事物以及事物之间的关系,将其进行抽象化之后自动生成规则的逻辑推理能力。关于此的一些想法可以阅读我的另一篇文章《神经网络之后》。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180910G091VE00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券